Pemodelan Indikator Pencemar Biological Oxygen
Demand di Kali Surabaya Menggunakan Pendekatan
Spatial-Temporal Weighted Regression
Achmad Choiruddin
PENDAHULUAN
TINJAUAN PUSTAKA
METODE PENELITIAN
ANALISIS DAN PEMBAHASAN
KESIMPULAN
LATAR BELAKANG
PENCEMARAN SUNGAI
96%
Air Baku
PDAM Surabaya
PEMERINTAH
1. Konservasi 2. Pengerukan 3. Evaluasi Indikator Pencemaran AirFaktor-Faktor yang
Mempengaruhi
BOD
LATAR BELAKANG
96%
Air Baku
PDAM Surabaya
Faktor-Faktor yang
Mempengaruhi
Regresi Linier
1. Konservasi 2. Pengerukan 3. Evaluasi Indikator Pencemaran AirPEMERINTAH
GWR
STWR
BOD
MGWR
Bagaimana MENDESKRIPSIKAN KONDISI
PENCEMARAN SUNGAI di Kali Surabaya berdasarkan
indikator pencemar BOD ?
Bagaimana MENYUSUN MODEL BOD sungai di
Surabaya dengan metode
Spatial-Temporal Weighted
Regression
yang selanjutnya dapat DIPEROLEH
FAKTOR-FAKTOR YANG MEMPENGARUHI BOD SUNGAI
DI SURABAYA ?
MENDESKRIPSIKAN KONDISI
PENCEMARAN SUNGAI
di Kali Surabaya
berdasarkan indikator pencemar BOD
MENYUSUN MODEL BOD
sungai di Surabaya
dengan metode
Spatial-Temporal Weighted
Regression
yang selanjutnya dapat
DIPEROLEH
FAKTOR-FAKTOR YANG MEMPENGARUHI
BOD SUNGAI DI SURABAYA
MENGEMBANGKAN WAWASAN KEILMUAN
yang berkaitan dengan Metode STWR dan
Aplikasinya. Selain itu hasil penelitian dapat
digunakan sebagai
RUJUKAN PADA
PENELITIAN SELANJUTNYA
MEMBERIKAN INFORMASI
bagi instansi
pemerintah Kota Surabaya terkait
FAKTOR-FAKTOR YANG MEMPENGERAHUI
PENCEMARAN AIR SUNGAI DI SURABAYA
Penelitian ini dibatasi pada pemodelan indikator
pencemaran air BOD sungai di Surabaya, yang
didasarkan pada data pemantauan pencemaran air
yang dilakukan oleh Badan Lingkungan Hidup Kota
Surabaya pada tahun 2010 – 2012. Setiap tahun terdiri
dari dua kali pengamatan, yakni pengamatan pada
musim kemarau dan musim hujan.
Air dikatakan tercemar apabila kondisi air tersebut telah
menyimpang dari keadaan normalnya (Wardhana, 2004)
PENCEMARAN AIR
Air tercemar dapat diakibatkan dari berbagai sumber
pencemaran, diantaranya adalah oleh limbah domestik,
limbah industri, serta dari pertanian dan perkebunan
(BBTKL-PPM, 2010)
REGESI LINIER
Model regresi linear sederhana untuk
k
variabel prediktor dapat
ditulis dalam bentuk :
Jika dituliskan dalam bentuk matrik :
Dimana :
GEOGRAPHICALLY
WEIGHTED REGRESSION
Model GWR :
Teknik regresi lokal yang memungkinkan parameter model bervariasi
di setiap lokasi (Brundson, Fotheringham, & Charlton, 1999)
Estimasi parameter model GWR :
Dimana :
Bobot untuk pengujian
di sekitar titik
i
GEOGRAPHICALLY
WEIGHTED REGRESSION
(Propastin,
et al.
, 2008)
Cross Validation (CV) :
Penentuan bandwidth optimum
Pembobotan model GWR :
2 2)
(
)
(
i j i j iju
u
v
v
d
=
−
+
−
Jarak Euclidean
(Fotheringham,
et al.
, 1997)
(Fotheringham,
et al.
, 1997)
SPATIAL-TEMPORAL
WEIGHTED REGRESSION
n
i
x
t
v
u
t
v
u
y
ik i p k i i i k i i i i(
,
,
)
(
,
,
)
,
1
,
2
,...
1 0+
+
=
=
∑
=ε
β
β
Metode
Spatial-Temporal Geographically Weighted Regression
(STWR)
adalah pengembangan dari metode GWR yang mampu mengakomodasi
adanya efek heterogenitas spasial-temporal (Yu & Lay, 2011)
Y
W
X
X
W
X
β
ˆ
(
,
,
)
(
(
,
,
)
)
(
,
,
)
u
iv
it
i=
Tu
iv
it
i −1 Tu
iv
it
iSPATIAL-TEMPORAL
WEIGHTED REGRESSION
T S STd
d
d
=
λ
+
µ
2 2 2 ) ( } ) ( ) {( i j i j i j ST ij u u v v t t d =λ
− + − +µ
−( )
2 2 2 2)
(
}
)
(
)
{(
i j i j i j ST ijt
t
v
v
u
u
d
−
+
−
+
−
=
τ
λ
,
0
≠
λ
λ
µ
τ
=
PENELITIAN TERDAHULU
Koesnariyanto (2012)
Pencemaran Kali Surabaya Menggunakan Metode GWR
Lumaela (2012)
Pencemaran Kali Surabaya
Menggunakan Metode Mixed GWR
PENCEMARAN AIR DI
KALI SURABAYA
Baik
pada kasus
HETEROGENITAS SPASIAL
,
Namun
TIDAK DAPAT
mengakomodasi efek
HETEROGENITAS
TEMPORAL
PENELITIAN TERDAHULU
Huang, Wu, & Barry (2010)
Pemodelan Variasi Harga Rumah
Yu & Lay (2011)
Pemodelan KriminalitasSPATIAL-TEMPORAL
WEIGHTED REGRESSION
Mampu mengakomodasi
HETEROGENITAS
SPATIAL DAN
TEMPORAL
Pemodelan Pencemaran
METODE PENELITIAN
Sumber Data
Data yang digunakan pada penelitian ini adalah
data sekunder tentang indikator pencemaran air
sungai yang diperoleh dari Badan Lingkungan
Hidup (BLH) Kota Surabaya. Dalam penelitian ini
unit yang diteliti adalah 6 titik lokasi sungai di
Surabaya selama 6 waktu pengukuran
Kali Surabaya di Jembatan Jl. Kedurus
Kali Mas di Jembatan Jl. Ngagel
Kali Mas di Jembatan Jl. Keputran Selatan
Kali Mas di Jembatan Kebon Rojo
Kali Jeblokan di Jembatan Jl. Petojo
Kali Surabaya di Jembatan Wonokromo
Variabel Penelitian
Kode Variabel Satuan Tipe Variabel
Y Biological Oxygen Demand (BOD) mg/l Kontinu
X1 Suhu air sungai Celcius Kontinu
X2 Detergen miug/l Kontinu
X3 Flourida mg/l Kontinu
X4 Fosfat (PO4) mg/l Kontinu
X5 Nitrat (NO3) mg/l Kontinu
X6 Amonia (NH3) mg/l Kontinu
X7 Nitrit (NO2) mg/l Kontinu
X8 Total Suspended Solid mg/l Kontinu
Langkah Analisis
METODE PENELITIAN
Menentukan Variabel Prediktor
Mendeskripsikan Masing-Masing Variabel
Melakukan Identifikasi Variabel Respon dan Variabel Prediktor Melakukan Pemodelan Menggunakan Regresi Linier
Melakukan Pemodelan Menggunakan GWR Melakukan Pemodelan Menggunakan STWR
DESKRIPSI BOD DAN FAKTOR-FAKTOR
YANG DIDUGA MEMPENGARUHI
Variabel
Rataan StDev Minimum Maksimum
BOD (mg/l)
5.79
1.77
2.84
9.73
Suhu (
oC)
28.61
0.49
28.00
29.00
Detergen (miug/l) 158.37 34.20
11.07
200.00
Flourida (mg/l)
0.58
0.36
0.01
1.32
Fosfat (mg/l)
0.47
1.10
0.08
6.58
Nitrat (mg/l)
2.16
0.99
0.44
5.54
NH3 (mg/l)
0.71
1.73
0.003
9.19
Nitrit (mg/l)
0.17
0.19
0.0047
0.77
TSS (mg/l)
146.20 166.60
2.00
730.00
DESKRIPSI BOD MENURUT
WAKTU PENGAMATAN
Waktu
Rataan StDev Minimum Maksimum
Maret 2010
5.488 1.173
4.06
7.17
September 2010
5.273 2.395
3.05
9.07
Maret 2011
5.625 1.019
3.96
6.92
September 2011
6.492 1.881
4.65
8.92
Maret 2012
7.113 1.474
5.86
9.73
September 2012
4.743 1.913
2.84
8.37
Kali Jeblokan
Jalan Petojo
Identifikasi Pola Hubungan Antara BOD dan
Faktor-faktor yang diduga mempengaruhi
29.0 28.5 28.0 9 6 3 200 100 0 0.0 0.5 1.0 5.0 2.5 0.0 0 2 4 0 5 10 9 6 3 0.8 0.4 0.0 9 6 3 800 400 0 Suhu BO D Detergen Flourida Fosfat Nitrat NH3 Nitrit TSS
Identifikasi Pola Hubungan Antara BOD dan
Faktor-faktor yang diduga mempengaruhi
Nilai
Suhu
Detergen
Flourida
Fosfat
Korelasi
-0.152
0.069
0.24
-0.032
P-value
0.375
0.690
0.159**
0.853
Nilai
Nitrat
NH3
Nitrit
TSS
Korelasi
-0.153
0.228
0.546
-0.132
P-value
0.374
0.181**
0.001*
0.443
Pemodelan Menggunakan Regresi Linier
Ket : *) Signifikan pada α=0.05, **) Signifikan pada α=0.1
Prediktor Estimasi T Hitung P-value
Constant
5.789
28.4
0.000
Suhu
-0.241
-0.87
0.395
Detergen
0.248
0.82
0.422
Flourida
0.969
3.75 0.001*
Fosfat
0.553
1.81 0.081**
Nitrat
0.868
2.23 0.034**
NH3
0.464
1.99 0.056**
Nitrit
1.552
5.88 0.000*
TSS
-0.313
-1.29
0.207
Sumber Df SS MS F P-value Regression 8 69.549 8.694 5.810 0.000 Residual 27 40.400 1.496 Total 35 109.949Uji Individu
R-sq = 59.9%
𝑦𝑦�
= 0.9635 + 2.668
𝑥𝑥
3+ 0.399
𝑥𝑥
4+ 0.711
𝑥𝑥
5+ 0.271
𝑥𝑥
6+ 8.069
𝑥𝑥
7Uji Serentak
Pengujian Spatial-Temporal Heterogen
Sept_12 Maret_12' Sept_11' Maret_11' Sept_10' Maret_10' 10 9 8 7 6 5 4 3 2 BO Dstudentized Breusch-Pagan test
BP = 5.7992, df = 5, p-value = 0.3263
H
0: kesamaan varian atau homoskedastisitas
H
1: heterokedastisitas
Pengujian Spasial
Heterogen
Deskripsi Asumsi
Temporal Heterogen
Pemodelan Menggunakan GWR
Parameter Minimum Median Maksimum
X.Intercept 0.946
0.995
1.020
Flourida
2.637
2.656
2.679
Fosfat
0.376
0.389
0.429
Nitrat
0.694
0.702
0.709
NH3
0.265
0.271
0.274
Nitrit
7.854
7.918
8.187
R
20.6167
POSITIF
Pemodelan Menggunakan STWR
Pembobotan model GWR :
2 2)
(
)
(
i j i j iju
u
v
v
d
=
−
+
−
Jarak Euclidean GWR
2 2 2)
(
}
)
(
)
{(
i j i j i j ST iju
u
v
v
t
t
d
=
λ
−
+
−
+
µ
−
( )
2 2 2 2)
(
}
)
(
)
{(
i j i j i j ST ijt
t
v
v
u
u
d
−
+
−
+
−
=
τ
λ
,
0
≠
λ
λ
µ
τ
=
(
2)
)
(
exp
STij ST ij STh
d
w
=
−
Pembobotan model STWR :
Jarak Euclidean STWR
Pemodelan Menggunakan STWR
Iterasi Parameter Tau
Iterasi Parameter Miu dan Lamda
0.0 0.5 1.0 1.5 0. 85 0. 90 0. 95 1. 00 tau R .s quar e 0.0 0.4 0.8 0 .6 0 .7 0 .8 0 .9 1 .0 miu R .s quar e 0.0 0.4 0.8 0 .6 0 .7 0 .8 0 .9 1 .0 lamda R .s quar e
Iterasi ke-60, R-sq=100%
0.477 0.53 0.9Iterasi ke-53, R-sq=97.83%
Pemodelan Menggunakan STWR
Parameter Minimum Maksimum
X.Intercept -13.699
8.25
Flourida
-113.002 10.451
Fosfat
2.869
11.971
Nitrat
-3.169
10.271
NH3
-2.832
4.548
Nitrit
5.042
139.352
R
20.9971
Perbandingan GWR dan STWR
LEBIH BAIK
Metode
R
2AIC
SSE
GWR
0.6167 114.2248 42.1385
STWR 0.9971 1.1282
0.0868
GWR
STWR
Benar Salah Jumlah
Benar
1
32
33
Salah
0
3
3
Jumlah
1
35
36
Z
12=5.567 > Z
0.05(1.645)
SIGNIFIKAN LEBIH BAIK
Perbandingan Berdasarkan Kriteria Kebaikan Model
Interpretasi Model Terbaik
Ket : X1 = Flourida, X2 = Fosfat, X3 = Nitrat, X4 = NH3, X5 = Nitrit
2
3
4
5
6
X
2, X
3, X
5X
1X
2, X
5Semua X
1X
2, X
3, X
5-
X
2, X
5Semua X
1X
2, X
3, X
5-
X
2, X
5Semua X
1X
2, X
3, X
4, X
5X
1X
2, X
5Semua X
1X
2, X
3, X
4, X
5X
1X
2, X
5Semua X
1X
2, X
3, X
4, X
5X
1, X
3X
2, X
5Semua X
1L\W
1
1
Semua
2
Semua
3
Semua
4
Semua
5
Semua
6
Semua
Interpretasi Model Terbaik
Ket : X1 = Flourida, X2 = Fosfat, X3 = Nitrat, X4 = NH3, X5 = Nitrit
2
X
2, X
3, X
5X
2, X
3, X
5X
2, X
3, X
5X
2, X
3, X
4, X
5X
2, X
3, X
4, X
5X
2, X
3, X
4, X
56
X
1X
1X
1X
1X
1X
1Interpretasi Model Terbaik
Ket : X1 = Flourida, X2 = Fosfat, X3 = Nitrat, X4 = NH3, X5 = Nitrit
L\W
1
2
3
4
5
6
1
Semua
X
2, X
3, X
5X
1X
2, X
5Semua X
12
Semua
X
2, X
3, X
5-
X
2, X
5Semua X
16
Semua X
2, X
3, X
4, X
5X
1, X
3X
2, X
5Semua X
1Kesimpulan
1. Rata-rata kadar BOD di Kali Surabaya pada tahun 2010-2012
adalah 5.789 mg/l. Dari 6 waktu pengukuran, Kali jeblokan di
jalan Petojo memiliki kandungan BOD maksimum 4 kali
pengukuran, yakni pada pengukuran Maret 2010, September
2010, September 2011, dan September 2012.
2. Pemodelan BOD Kali Surabaya menggunakan metode STWR
memberikan hasil yang lebih baik daripada menggunakan
metode GWR. Faktor-faktor yang dianggap signifikan
mempengaruhi BOD Kali Surabaya adalah Flourida, Fosfat, Nitrat,
NH3, dan Nitrit. Efek heterogen temporal dianggap lebih
Saran
1. Melakukan kajian mengenai penentuan variabel yang
merepresentasikan waktu pengamatan.
2. Menentukan statistik uji spatio-temporal heterogenitas agar
dapat diketahui dengan pasti adanya kasus heterogen
spasial-temporal.
3. Melakukan kajian pemodelan STWR menggunakan fungsi kernel
Gaussian adaptive
,
Bisquare
(
fixed
dan
adaptive
), dan
Tricube
(
fixed
dan
adaptive
).
4. Melakukan kajian penelitian jika jumlah lokasi pengamatan dan
waktu pengamatan tidak sama.
DAFTAR PUSTAKA
Anselin, L. (1998). Spatial Econometrics: Methods and Models. Netherlands: Kluwer Academic Publishers.
BBTKL-PPM. (2010). Laporan Situasi dan Kecenderungan Parameter Pencemaran Air Badan Air Serta Risiko Gangguan Kesehatan Di Kali Surabaya Semester II.
Surabaya: Balai Besar Teknik Kesehatan Lingkungan dan Pemberantasan Penyakit Menular.
BLH-Surabaya. (2011). Kualitas Air Surabaya Mengalami Penurunan. Retrieved January 30, 2013, from http://www.lh.blhsby.go.id
Daniel, W. W. (1989). Statistika Nonparametrik Terapan. Jakarta: PT Gramedia.
Draper, N., & Smith, H. (1992). Analisis Regresi Terapan.Jakarta: PT Gramedia Pustaka Utama.
Fotheringham, A. S., Charlton, M. E., & Brunsdon, C. (1997). Geographically weighted regression: a natural evolution of the expansion method for spatial data analysis. Environment and Planning A 1998, vol. 30 , 1905-1927.
Groβ, J. (2003). Variance Inflation Factors. R news , 13-15.
Gujarati, D. (2004). In Basic Econometrics, Fourth Edition. New York: Mc Graw-Hill, Inc. Hocking, R. (1996). Methods and Application of Linear Models. New York: John Wiley
DAFTAR PUSTAKA
Huang, B., Wu, B., & Barry, M. (2010). Geographically and Temporally Weighted Regression for Modeling Spatio-Temporal Variation in Houses Prices.
International Journal of Geographical Information Science , 383-401.
Koesnariyanto, R. (2012). Pemodelan Indikator Pencemaran Air Secara Kimia (BOD) Dengan Geographically Weighted Regression. Surabaya: Program Magister Fakultas Kesehatan Masyarakat Universitas Airlangga.
Kusumawardani, D. (2010). Valuasi Ekonomi Air Bersih di Surabaya (Studi Kasus Pada Air PDAM). Yogyakarta: Lembaga Penelitian dan Pengabdian Kepada Masyarakat UGM.
Lumaela, A. K. (2012). Pemodelan Chemical Oxygen Demand Sungai di Surabaya Dengan Metode Mixed Geographically Weighted Regression. Surabaya: Institut Teknologi Sepuluh Nopember.
Mennis, J. (2006). Mapping the Results of Geographically Weighted Regression. The Cartographic Journal Vol. 43 No. 2 , 171-179.
Propastin, P., Kappas, M., & Erasmi, S. (2008). Application of Geographically Weighted Regression to Investigate the Impact of Scale on Prediction Uncertainty by
Modelling Relationship between Vegetation and Climate. International Journal of Spatial Data Infrastructures Research Vol. 3 , 73-94.
DAFTAR PUSTAKA
Purwatiningsih, S. (2005). Kajian Kualitas Kali Surabaya Ditinjau Dari Aspek Lingkungan, Peraturan Perundangan, dan Kelembagaan.Surabaya: Teknik Lingkungan Institut Teknologi Sepuluh Nopember.
Rahayu, S., Widodo, R. H., Noordwijk, M. v., Suryadi, I., & Verbist, B. (2009).
Monitoring Air di Daerah Aliran Sungai. Bogor, Indonesia: World Agroforestry Centre - Southeast Asia Regional Office. 104 p.
Sastrawijaya, A. T. (2000). In A. T. Sastrawijaya, Pencemaran Lingkungan. Jakarta: Rineka Cipta.
Wardhana, W. A. (2004). Dampak Pencemaran Lingkungan (Edisi Revisi). Yogyakarta: ANDI.
Yrigoyen, C. C., Rodríguez, I. G., & Otero, J. V. (2006). Modeling Spatial Variations in Household Disposable Income with Geographically Weighted Regression. Madrid: Instituto L.R. Klein.
Yu, P.-H., & Lay, J.-G. (2011). Exploring Non-stationarity of Local Mechanism of Crime events with Spatial-temporal Weighted Regression. 7-12.
Pemodelan Indikator Pencemar Biological Oxygen
Demand di Kali Surabaya Menggunakan Pendekatan
Spatial-Temporal Weighted Regression
Achmad Choiruddin